脉冲耦合神经网络模型(PCNN)是在20世纪90年代末由Johnson等人在Eckhorn的哺乳动物视觉皮层模型基础上提出的。该模型具有非线性调制耦合、非线性动态阈值衰减、动态脉冲发放及同步脉冲发放等特性,是一种不同于传统人工神经网络的新型人工神经网络模型,被认为是第三代人工神经网络。PCNN模型对图像的处理结果具有良好的旋转不变性、尺度不变性、畸变不变性及信号强度不变性等特性,并且很好地模拟了生物视觉神经系统的基本运作机理,更符合人眼视觉特性,因而在图像处理、计算机视觉等领域有着得天独厚的优势。本论文对脉冲耦合神经网络模型进行了系统、深入的研究,在分析了脉冲耦合神经网络模型(PCNN)、交叉皮质模型(ICM)、脉冲皮质模型(SCM)、简化PCNN模型(SPCNN)的运行机理和特性的基础上,提出了一种自适应参数设置的改进型脉冲耦合神经网络模型(IPCNN),并在此基础上提出了一种异质脉冲耦合神经网络模型(HIPCNN)。并将这两种方法应用到图像分割、图像边缘检测等图像处理领域,使用Berkeley分割数据集和国际标准图像库进行算法测试,取得了较好的效果。本论文主要开展了以下研究工作:1.简要介绍了脉冲耦合神经网络模型PCNN的发展历程、研究现状及存在的问题,介绍了PCNN模型的基本结构及常用的改进模型ICM、SCM、SPCNN模型,着重分析了PCNN模型的运行机理和特性,并简要分析了PCNN模型中各参数的作用。提出了一种将PCNN模型和图像质量、数学形态学等处理方法相结合对显微血细胞图像中红细胞进行计数的方法,对于应用了不同染色方法、来自不同放大倍数显微镜的血细胞图像中的红细胞均能更准确地进行计数,是一种可行的实用型方法。2.提出了一种自适应参数设置的改进型脉冲耦合神经网络模型(IPCNN),既减少了参数数量,又保持了PCNN模型的反馈连接和输入连接模式;深入研究了IPCNN模型的动力学特性及其工作机理,构建了输入图像的静态特性和神经元的动态特性之间的联系,从而自适应的设置IPCNN模型中所有4个参数,避免了传统方法中人工手动设置的不便,提高了参数对不同类型图像的适应性,且该方法不需要进行训练和预试验,是一种适合图像实时处理的改进型脉冲耦合神经模型。3.在IPCNN模型的基础上提出了一种异质脉冲耦合神经网络模型(HIPCNN),该模型将目前大多数研究中PCNN模型的固定连接强度?值根据图像局部静态特性进行调制,构建了各向异性的可变连接强度?值,形成了一种全异质神经网络模型,创新性地将全异质网络引入到脉冲耦合神经网络模型中。4.将IPCNN模型、HIPCNN模型应用于图像处理中:在图像分割应用中能根据图像静态特性自适应的设置模型参数,与标准PCNN模型相比,所用迭代次数更少,提高了图像处理效率,是一种高效的图像处理模型,适用于图像的实时处理相关领域;在图像边缘检测应用中提出了一种IPCNN/HIPCNN和PCNN模型联合的二级模型,该模型能简单、高效地获得图像边缘信息。